一个 1.7B 的底座长出 6 个模型：LFM3 把“小模型”做成一家子，手机上就能跑的那种

Liquid AI 在 10 月 27 日发布了 LFM3 模型家族：6 个 2B 级别的开权重模型，全部从同一个 1.7B 底座 LFM3-1.7B-Base 分支出来。底座用 22 万亿 token 预训练，文本模型上下文 256K token，参数 1.73B，4-bit 精度下大约只占 1GB 内存，官方说法是“任何手机或笔记本都能装下”。

6 个成员各管一摊：LFM3-1.7B 只处理文本；LFM3-VL-2B 加了视觉（文本、图像、视频进，文本出）；LFM3-Audio-2B 管语音（文本或音频进，文本或语音出）；LFM3-Omni-2B 是 Liquid 第一个全模态模型，文本、图像、视频、音频全收，文本和语音都能出；另外两个 d1 决策模型比较特别——它们不生成长文本，而是返回经过校准的答案，适合“要一个判断、不要一篇作文”的场景。

发布当天权重已上 Hugging Face，也可以在 Liquid 的 Playground 和 API 里用。配套的微调笔记本展示了具体打法：把视觉版微调成机器人编排、导航、操纵三个模型，或者把音频版微调成智能家居语音指令转函数调用。官方的定位说得很直白：LFM3 是“起点”，让你在单块 GPU 上微调出自己领域的专用模型，而不是直接拿来当通用聊天机器人。

这里要给官方说法打个折。第一，跑分数字全部来自厂商发布材料，跨模型对比会随提示词、量化和硬件变化，部署前要在自己的任务上复测。第二，模型卡自己写明：因为体积小，不推荐用它做 agent 编程或复杂多步推理，知识密集型任务建议配合检索——这句实话比跑分更值得信。第三，许可证是 LFM Open License v1.0，不是常见的 Apache/MIT，商用前务必自己核对许可条款，别默认“开权重等于随便用”。

我的判断：LFM3 的正确用法是“端侧小分工”，而不是“再一个聊天模型”。比如手机上的语音指令路由、设备端的图像判读、需要离线跑的决策打分——这些场景要的是小、快、便宜、可微调，而不是榜单第一。团队如果正在给 agent 找本地 fallback 或边缘端模型，这一家子值得在测试集上跑一轮；如果要的是主力编程模型，它不在这个位置上。